تشخیص هویت براساس ساختار گوش افراد

سیستم های امنیتی بر مبنای بیومتریک مسیولیت شناسایی و یا تایید هویت افراد را از روی ویژگی های فیزیولوژیکی و یا ویژگی های رفتاری آن ها دارد. ساختار گوش افراد چندیست که مورد توجه محققان بیومتریک قرار گرفته و سازمان ها و برخی دولت ها نظیر ایالات متحده در زمینه بیومتریک گوش سرمایه گذاری های جدی کرده اند. از مزایای ساختار گوش می توان به ثابت بودن آن در طول زمان، عدم تغییر در ظاهر در حالت هایی مثل شادی، غم و تعجب (برخلاف چهره)، قابلیت نمونه برداری از راه دور، بدون اینکه شخص متوجه شود و همینطور یکنواختی در رنگ را می توان نام برد. در این تحقیق دو روش کلی جهت بهبود شناسایی مبتنی بر ساختار گوش پیشنهاد شده است: 1- استفاده از موجک دو بعدی جهت استخراج ویژگی و اعمال آن به pca جهت بهبود روش مبتنی برpca 2- روش مبتنی بر فیلتر گابور o اعمال فیلتر گابور و بلوک بندی(استخراج نقشه ویژگی) o بررسی ترکیب فیلتر گابور و pcnn در این پروژه از دو پایگاه داده استفاده شده است. یکی پایگاه داده ustb database2که شامل 308 تصویر دو بعدی از 77 فرد مختلف (از هر نفر 4 تصویر) است و دیگری پایگاه داده carreira- perpinan که شامل 102 تصویر از 17 فرد مختلف (هر نفر 6 تصویر)است.. بعد از بررسی کارهای پیشین در امر بیومتریک گوش، روش pca به خاطر دقت بیشتر نسبت به دیگر روش ها، جهت بهینه سازی انتخاب شد. بر خلاف روش های مبتنی بر pca که تا کنون در رابطه با بیومتریک گوش ارایه شده، در روش پیشنهادی،سعی شد تا با اعمال موجک دو بعدی به تصویر و استخراج ویژگی توسط آن ، روش مبتنی بر pca بهبود داده شود. با اعمال این روش بر روی دو پایگاه داده ustb database2 و carreira- perpinan توانستیم به نرخ شناسایی به ترتیب 90.5% و 95.05% دست یابیم که باعث بهبود نرخ شناسایی در روش مبتنی بر pca شد. علاوه بر روش پیشنهاد شده بر مبنای موجک و pca، با توجه به وجود انحناها و شیارهای گوش در جهات مختلف روش دیگری بر مبنای فیلتر گابور ارایه شده است. مهمترین مزیت این روش این است که برخلاف روش مبتنی بر pca و شبکه های عصبی نیاز به آموزش ندارد .اشکال این روش وابسته بودن آن به جهت تصویر است و عملکرد صحیح این روش وابسته به نرمال کردن صحیح تصویر از نظر جهت است. لذا برای مقاوم کردن این روش نسبت به چرخش از pcnn استفاده شد. نرخ شناسایی بدست آمده توسط اعمال این روش بر روی دو پایگاه داده ustb database2 و carreira- perpinan به ترتیب 86.27% و 89.22% است. pcnn نرخ شناسایی را بهبود نبخشید اما توانست مشکل چرخش را حل کند.